PulseAugur
中
实时 06:42:00
English(EN) CGRL: Concept-Guided Pruning and Representation Learning for Whole-Slide Image Classification

新的CGRL框架改进了病理学中的全切片图像分类

作者 PulseAugur 编辑部 · [2 个来源] ·

研究人员开发了一个名为CGRL的新框架，用于计算病理学中的全切片图像分类。该方法使用从疾病提示派生的类别级概念原型来指导非信息性图像块的剪枝并增强表示学习。通过根据图像块与概念的相似性进行排名并优化表示学习目标，CGRL旨在提高准确性并降低计算成本。在TCGA-BRCA和TCGA-NSCLC数据集上的评估表明，CGRL可以提高各种多实例学习方法的性能。 AI

影响 引入了一种提高计算病理学图像分析的准确性和效率的新颖方法。

排序理由 详细介绍新计算方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CV 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

新的CGRL框架改进了病理学中的全切片图像分类

报道来源 [2]

  1. arXiv cs.CV TIER_1 English(EN) · Thuc Huynh, Tuan Le, Doanh C. Bui ·

    CGRL：用于全切片图像分类的概念引导剪枝与表示学习

    arXiv:2607.12556v1 Announce Type: new Abstract: Weakly supervised whole-slide image (WSI) classification is widely used in computational pathology because slide-level labels are easier to obtain than dense region annotations. Existing multiple instance learning (MIL) methods ofte…

  2. arXiv cs.CV TIER_1 English(EN) · Doanh C. Bui ·

    CGRL：用于全切片图像分类的概念引导剪枝与表示学习

    Weakly supervised whole-slide image (WSI) classification is widely used in computational pathology because slide-level labels are easier to obtain than dense region annotations. Existing multiple instance learning (MIL) methods often aggregate large bags of patch embeddings using…

相关话题